MétaCan
Menu
Retour à la cohorte
Enregistrement W4382654432 · doi:10.1145/3587102.3588847

The Value of Time Extensions in Identifying Students Abilities

2023· article· en· W4382654432 sur OpenAlexaff
Huanyi Chen, Paul A. S. Ward

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueOnline Learning and Analytics
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésCourseworkComputer scienceScheduling (production processes)Mathematics educationPhenomenonValue (mathematics)Time managementPsychologyMathematicsMachine learningOperating systemMathematical optimization

Résumé

récupéré en direct d'OpenAlex

Instructors often grant students extensions or grace days to relax deadline constraints. However, researchers have yet to investigate the value of time extensions in identifying students' abilities and why students use them in computing education. Our study shows that scheduling conflicts and underestimation of the coursework were the top two reasons why students were late, providing the very first qualitative analysis results. By categorizing students who used and did not use cost-free time extensions, we found that students who used time extensions had a significantly lower assignment and exam grades than those who chose not to use them. We first observed this phenomenon when looking at grace day usages in a final-year programming course and validated the result by looking at the usage of extended lab time in a first-year programming course. This result suggests that offering a cost-free mechanism such as grace days or a time extension can provide a very early indicator of student abilities and those likely to need assistance.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,727
Score d'incertitude au seuil0,216

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,018
Tête enseignante GPT0,329
Écart entre enseignants0,310 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetOnline Learning and AnalyticsTravaux en français237 207